麦肯锡数据显示，近九成企业如今以某种形式部署人工智能。但2025年《哈佛商业评论》调查显示，仅有6%的企业完全信任AI运行核心业务流程。达米尼·里贾瓦尼的职业生涯始终游走在这两个数据之间。在人工智能与机器学习领域深耕近十年，包括在飞利浦数年构建临床成像系统后，她创立了Automation Core公司，为医疗美学市场开发患者管理软件——据Straits Research预测，该市场将于2033年达到2000亿美元规模。
里贾瓦尼自2016年开始从事AI与机器学习工作。次年，她加入普渡大学一个70人的研究团队，处理覆盖160多个国家的学术研究领域最大分布式相机网络数据流。该项目要求系统能在硬件差异、网络波动和光照不稳定等极端条件下稳定运行。她回忆道，这种约束条件塑造了其后续整个职业生涯的软件构建理念。
也正是在此期间，她开始发表关于AI公平性的研究，探讨基于大型公共数据集训练的模型如何吸收并复现数据中的偏见。这项工作促使她联合组织了计算机视觉顶级会议CVPR的低功耗视觉识别研讨会。次年，她获得计算研究协会全国杰出本科生研究员项目的荣誉提名。
凭借研究背景，她在毕业前即获得飞利浦计算机视觉研究员实习机会。尽管招聘启事要求研究生学历，公司仍聘其为正式科研人员。里贾瓦尼出身医学世家，对临床环境的熟悉早于工程训练。在飞利浦期间，她与哈佛和约翰霍普金斯大学的博士团队合作，构建连接40多个介入与诊断成像临床数据集的基础设施，并将其对接至依赖这些数据的机器学习流程。数年间，她训练部署了20多个医学成像AI模型：部分可在介入手术中逐帧检测追踪器械，另一些则协助临床医生在诊断扫描中定位解剖标志点。早期工作还涉及人员重识别、姿态估计和3D重建等计算机视觉研究，并在Transformer架构技术初现端倪时将其应用于大型语言模型基础技术研发。
“在飞利浦时，我常在手术室观察介入成像案例，穿着铅衣站立数小时。最触动我的是医师的认知负荷竟与患者无关——他们在实时导管手术中操作软件菜单。这点令我难忘，”里贾瓦尼表示。
她的部分工作包含亲临手术现场，研究影像数据如何从手术环境流入支持临床决策的模型。她指出，当数据源自动态伪影和训练集难以完整呈现的患者解剖结构时，保持模型准确性需要特殊的工程规范。
这种临床实践启发她参与申报一项专利：通过导管和导丝内置的光纤传感器，在介入手术中自动生成标注训练数据。该FORS（光纤传感器）驱动的影像标注系统，利用器械在患者体内的移动轨迹生成位置数据，为影像流自动标注以供模型训练，专利已在欧亚多国提交。里贾瓦尼还合著了三篇论文，包括发表在《IEEE计算机》和《医学物理》的成果。
她记录的飞利浦现象并非介入成像独有。纽约普通外科医生阿米拉·巴曼瓦拉观察到类似问题：“手术室技术飞速发展，但连接术前、术中与术后阶段的软件却严重滞后。结果导致有价值的数据缺乏足够上下文，造成碎片化工作流程。这些缺口随时间累积，形成结构性低效。”
巴曼瓦拉描述的累积效应往往难以察觉：每次系统切换的小摩擦、缺失的细节都易被即时消化，但经年累月后，其成本便融入机构运营肌理。对里贾瓦尼而言，这种模式源于深度参与——在飞利浦构建临床成像系统意味着身处软件与真实手术的交汇点，她每日衡量着系统理论能力与临床环境实际需求间的差距。她发现，这种差距因专科而异：部分专科已获充分投资得以弥合，而医疗美学正是服务最不足的领域之一。
对许多机构经营者而言，多年的患者照片、治疗记录和临床档案成为某种“锚点”。历史数据越集中于单一系统，更换软件的难度就越大，即使现有软件已无法满足需求。“更换软件是该领域最大的焦虑点，”里贾瓦尼说，“诊所的患者照片和治疗记录承载数年临床历史，数据跨平台迁移仍比应有难度更高。这始终是我思考的核心问题。”
Automation Core开发的AI辅助迁移工具可解析多格式患者记录，转换遗留平台数据并在全程保留冗余备份。这个技术难题她早在飞利浦就已遭遇——临床数据完整性的影响远超错失预约。
当前公司仍处早期阶段，市场挑战巨大：各州法规差异显著，机构对变革持谨慎态度，成熟竞争对手则拥有多年客户数据与分销网络优势。里贾瓦尼的长期规划已超越美学领域，她观察到其他自费医疗垂直领域存在相同结构性错配：临床工作流运行在为不同医疗模式设计的软件上。随着患者数据监管趋严，依赖通用工具的从业者或将面临准备不足的风险。
Automation Core能否在竞争激烈的市场中立足仍是未知数。但“专业医疗软件必须根植于专科本身”这一理念，正是里贾瓦尼自飞利浦手术室观察以来持续验证的命题。
“医学领域最优秀的软件应当隐于无形。它应成为医师的延伸，而非需要额外管理的独立系统。当技术静默承担负荷，现场医师便能全心关注患者。这正是我投身医疗软件开发的承诺，也是我毕生追求的事业，”里贾瓦尼总结道。
【全文结束】
